基于二維Gabor的掌紋圖像預處理研究

徐秀慧，汪盛迪，葛國棟，賁晛燁

山東大學信息科學與工程學院，山東濟南 250100

基于二維Gabor的掌紋圖像預處理研究

徐秀慧，汪盛迪，葛國棟，賁晛燁

山東大學信息科學與工程學院，山東濟南 250100

掌紋識別屬于相對較新的一種生物特征識別技術，是利用人手掌上豐富的紋理特征來進行身份識別。掌紋圖像的質量是影響掌紋識別性能的關鍵，因此，由掌紋的特點入手，對掌紋圖像采用基于形態學方法進行感興趣區域（ROI）的分割，為了防止由于采集時手放置位置的旋轉或偏移導致的掌紋圖像的差異，通過中值濾波、二值化、膨脹腐蝕等操作確定了特殊角點，再利用角點連線確定旋轉角度，來旋轉掌紋圖像。然后對掌紋圖像感興趣的區域采取小波閾值法來去除噪聲。最后結合Gabor濾波器的方向性，采用基于二維Gabor濾波器對掌紋紋線的特征進行提取。為了驗證所提出的掌紋圖像預處理方法的有效性，在PolyU掌紋圖像庫上進行實驗并取得了較好的實驗效果。

掌紋圖像預處理；感興趣區域（ROI）；小波去噪；二維Gabor濾波器

隨著經濟與科技的飛速發展，公共安全和信息安全越來越得到人們的關注和重視。在社會生活中，對個人身份的鑒別的需求也無處不在。個人身份鑒別的準確與否直接關系到社會公共安全和信息安全，所以對這一領域的研究具有非常重要的意義。

隨著物品造假和密碼破譯等現象的發生，傳統的身份鑒別方法，例如根據用戶所擁有的物品或其所掌握的某些知識進行身份識別的方法存在一定的弊端和隱患。由于存在這些缺陷，人們就考慮能否應用自身的的生物特征來進行身份識別，這樣生物特征識別技術［1－3］就應運而生。 掌紋識別［4］是一種新興的生物特征識別技術。它是利用人手掌上豐富的紋理特征來進行個人身份的鑒別。各研究領域將自手指末端至手腕處的手掌圖像稱為掌紋。手掌中的主線、脊梢、褶皺、小的紋理與各分叉點都可以作為特征點［5］進行身份識別。與其他生物識別技術相比，采集掌紋的過程不具有侵犯性，容易得到用戶的認可，采集設備的成本也不是很高［6］。經過十多年的發展，掌紋識別技術已經趨于成熟，但對于某些細節方面的問題，還有待于深入的研究和優化。

一個人的身份完全可以依靠他手掌上這些豐富的特征來確定，掌紋識別系統和其他模式識別系統類似，也同樣分為訓練（注冊）樣本的錄入階段和測試樣本的分類（識別）階段。本文針對掌紋的具體特點，對掌紋識別系統中掌紋圖像采集、預處理、小波去噪和特征提取部分進行了研究。所采用的掌紋圖像是基于PolyU Palmprint數據庫［7］（香港理工大學人體生物識別中心制作）。對掌紋庫中采集的掌紋圖像是采用基于形態學方法進行感興趣區域（ROI）的分割，通過中值濾波、二值化、膨脹腐蝕等［8］操作確定了特殊角點，再利用角點連線確定旋轉角度，來旋轉掌紋圖像，防止由于采集時手放置位置的旋轉或偏移導致的掌紋圖像的差異。在掌紋圖像的采集過程中，噪聲的存在是不可避免的，本文通過噪聲模擬的辦法，對基于小波變換的去噪方法進行了研究，并采取小波閾值去噪法，處理了掌紋圖像感興趣的區域。最后結合Gabor濾波器的方向性，采用基于二維Gabor濾波器對去噪后的掌紋感興趣區域的紋線特征進行提取。

1 掌紋圖像的采集

1．1 掌紋圖像的采集方式

掌紋圖像的采集方法有很多種，這些方法都力求達到一個共同的目的就是獲取質量比較高的掌紋圖像，以便后續的圖像處理。以前大多采用了脫機的方式進行采集，即先通過某種方式得到掌紋圖像，然后通過數據轉換及傳輸設備將采集到的掌紋圖像轉換為二進制數據存儲在計算機內用于識別。應用數碼相機采集的圖像就屬于這一類。但是目前比較流行的方法是聯機的方式，即直接利用計算機控制整個采集過程，這樣就可以做到邊采集邊存儲，效率較高，速度較快。當前比較流行的聯機方式是CCD采集法，它是由香港理工大學和哈爾濱工業大學聯合設計開發的一種基于CCD的掌紋采集設備，用這種設備采集的掌紋圖像質量較高。如圖1、2所示。

該設備的采集區域有一個小柱子，可以將手掌限制在一定區域內，這樣可以有效地避免旋轉和平移給采集工作帶來的誤差和不便，而且此設備的另一個優點就是采集過程是處在一個相對密閉的環境中，這樣可以有效地避免外界光線的干擾，使采集環境相對穩定，從而獲得質量較高的掌紋圖像。

圖1 CCD采集設備

圖2 通過CCD設備采集的掌紋圖像

1．2 掌紋圖像樣本

文中采用PolyU Palmprint Database作為掌紋圖像來源，其由香港理工大學設立的人體生物特征識別中心制作。該掌紋庫所有樣本均由上述CCD掌紋采集設備采集，掌紋圖像來自于不同年齡、不同性別和不同國家的香港理工大學學生和教職員工，其中30歲以下的占總人數的86%，30～50歲的占11%，50歲以上的占3%。圖像均采用BMP格式存儲。圖3是來自該掌紋庫中的幾幅樣本，其中（a）、（b）是來自一只手掌的不同時期，（c）、（d）是來自另一只手掌的不同時期。

圖3 掌紋庫中的4幅來自2只手掌的樣本圖像

2 掌紋圖像的預處理

預處理是模式識別的重要步驟之一，它是進行后續圖像處理的基礎，所以對研究對象的預處理工作顯得尤為重要。進行預處理的原因有2個，一是采集的圖像可能只有一部分是人們感興趣并希望研究的區域，如果不進行分割，可能增加處理的運算量，并且也不便于后續的分析；二是在圖像采集的過程中，手掌會有一定程度的旋轉和位置上的變化，而且手的大小不同也可能導致圖像中心位置不同產生一定誤差，這些弊端都不適合將采集的掌紋圖像直接用于特征提取和匹配。基于以上原因，要對采集的掌紋圖像進行預處理操作。

2．1 掌紋圖像感興趣區域（ROI）的獲取

由于目前主流的方式是聯機采集方式，針對此種方式的定位分割算法有由張大鵬等提出的掌紋輪廓特征點定位法［9］和最大內切圓定位法［10］。

這2種算法各有優缺點，其中基于輪廓特征點的分割定位算法一般是根據人手掌食指與中指之間和無名指與小指之間的弧度來進行定位，適用于在采集設備上設計了定位裝置的線掌紋采集系統，由于其坐標系和坐標原點的選取不一定具有不變性，所以在位置上可能會有一定程度的旋轉和平移。

基于最大內切圓的分割定位算法與上述算法略有不同，無需像輪廓特征點法一樣進行降噪、邊緣檢測以及二值化處理等操作，簡化了預處理的步驟，它對圖像質量的要求沒有那么高。但是這種方法，缺少了很重要的對圖像進行旋轉校正的步驟。假如手掌未擺放正確，造成有旋轉平移現象存在，那么用此方法定位分割出的掌紋圖像ROI也存在旋轉平移，可能會造成ROI中有部分邊緣不落在手掌范圍內，給后續處理造成不利影響。本文將采用形態學算子的分割定位法。

2．2 基于形態學方法的分割定位算法

由于以上2種算法都有著一些不足之處，本文利用形態學算子來定位掌紋，主要方法步驟如下。

1）掌紋圖像的濾波。

由于采集的掌紋圖像可能存在噪聲，這些噪聲會對原始掌紋圖像的二值化產生不良的影響，使二值化的掌紋圖像除了手掌區域外，有明顯的其他白色噪點。所以首先要對原始掌紋圖像進行低通濾波，消除噪聲的干擾。在濾波時，采用了二維順序統計濾波器，這種濾波器和中值濾波器一樣不會使圖像的邊緣變得模糊，不僅能濾除噪聲也能很好地保留圖像的邊緣。原始掌紋圖像及其濾波結果如圖4。

2）掌紋圖像的二值化。

設定一定的門限值，然后將濾波后的掌紋圖像轉化為二值圖像。在文中門限值設置為 15（或20），二值化后的掌紋圖像結果如圖5所示。

圖4 掌紋濾波

圖5 二值化后的掌紋圖像

3）掌紋圖像的膨脹與腐蝕。

對二值化后的掌紋圖像先進行膨脹運算，如圖6（a），再進行腐蝕運算，如圖6（b）。將得到的結果G與原來的二值圖像I相減，圖像上所剩的點即為角點，如圖6（c）。即

式中：Θ表示腐蝕運算，⊕表示膨脹運算，SE是結構算子，在進行膨脹腐蝕運算時用它遍歷需要處理的圖像。SE如何確定是此次角點檢測中至關重要的步驟。SE的形狀應與要檢測的目標的形狀相似。因為知道要檢測的目標是食指、中指、無名指以及小指之間的弧形，所以SE的形狀也應該為弧形。文中所用的SE算子如下：

圖6 掌紋圖像的膨脹與腐蝕

4）掌紋圖像的旋轉與切割。

在原始掌紋圖上找到這兩點的坐標，通過旋轉原始的掌紋圖像，讓這兩點的連線成為垂直的y軸，旋轉后的角點圖像和原始圖像分別如圖 7（a）、（b），然后取這兩點連線的中點，作中垂線設為 x軸，建立坐標系如圖7（c）。在已經建立好的坐標系的中心的位置切割掌紋圖像，獲得一個大小為128× 128的感興趣區域，分割出的掌紋圖像如圖7（d）。

圖7 掌紋圖像的旋轉與切割

這種定位分割算法基本上克服了以上2種方法的不足之處，一是不用邊緣檢測，能檢測出位置相對固定的角點，這樣就避免了輪廓特征點法由于邊緣跟蹤不準而導致的基準點定位差錯。而且這種算法根據選定的坐標軸對原始圖像進行旋轉微調，克服了最大內切圓法中的圖像旋轉平移問題。此外這種算法的計算量也沒有那么大，相比之下是實用性較高的一種定位分割算法。

3 基于小波變換的圖像去噪

小波變換是傅里葉變換的一種延伸。傅里葉變換的研究對象是整個時域或者頻域的信號，而小波變換重點研究的是在時域或頻域上的信號的局部信息，這樣可以使信號的一些比較特殊的特征得以顯現。小波變換在近些年得到了很大的發展和應用，在圖像方面可以用于分析、去噪以及壓縮融合等多個方面。本文研究的是基于小波變換的圖像去噪。

3．1 小波去噪原理及基本方法

與傳統的去噪方法相比，小波去噪有著很多優點，比如應用其他去噪方法得到的去噪后的圖像，往往會產生邊緣模糊等現象，而小波變換有多分辨率的特點，可以在去噪后仍然很好地保存原始圖像的邊緣、尖銳點、斷點等信息。由于小波變換可以去掉小波系數之間的相關性，且噪聲在經過小波變換之后有成為白噪聲的趨勢，所以在小波域去噪要比在時域去噪更有利。從信號學的角度出發，小波去噪法可以等效為一種低通濾波，但小波去噪又比傳統的低通去噪具有更大的優勢?？梢詫⑵淇醋鲆环N可以保留圖像細節特征的低通濾波，小波域去噪等效框圖如圖8。

圖8 小波域去噪等效框圖

小波去噪方法大體可分為小波閾值法、投影方法和相關方法，本文將采用小波閾值去噪法。

3．2 小波閾值去噪

3．2．1 圖像信號小波閾值去噪的基本步驟

小波閾值去噪的基本步驟可分為3步。首先要把含噪的圖像信號（X）進行小波分解，這里要選取合適的小波函數及所要分解的層次（N）；然后選定一個閾值，對分解后的高頻系數采取閾值量化操作，在這一步，對于分解出的每一層都要選取合適的閾值，只保留大于該閾值的小波系數，舍棄小于該閾值的小波系數；最后需要小波重構來恢復二維圖像信號。小波圖像去噪的流程如圖9所示。

圖9 小波閾值去噪流程

3．2．2 閾值處理方法的選取

對于閾值函數的確定，Donoho［11］提出了2種方法：硬閾值（hard shrinkage）和軟閾值（soft shrink-age）。由于硬閾值法較為簡單，所以文中采用這種方法來確定閾值函數。它沒有所謂的動態范圍，而是將大于閾值λ的小波系數全部認為是代表圖像能量的小波系數，保留；而小于閾值λ的小波系數全認為是代表噪聲能量的小波系數，全部去除。

3．2．3 二維圖像小波變換的分解與重構原理

本文采用二維小波變換方法，二維函數f（x，y）∈L2（R2）是能量有限的圖像信號，對它進行二維小波變換。在函數的子空間v2j＝v?wj上，可以把向量空間的分解為

定義尺度函數變為

所以，圖像f（x，y）的J級二維小波變換可以用一系列子圖像來表示：

那么，在水平、垂直和45°方向上的高頻子圖分別用D1j、D2j、D3j表示，而尺度2j－1的近似部分用Aif來表示，但是每一次分解都會以損失圖像的分辨率為代價，即分解一次，分解后的圖像的分辨率將是原來圖像信號的一半。

重構算法也十分類似，根據上文可將其推導出：

原始圖像在進行二維小波變換之后分離成了尺度不同的子圖像，并產生了分別表示垂直、水平和對角線方向的高頻分量和低頻分量4個部分。其中邊緣、尖峰、斷點等細節點在高頻分量中得到保存，而低頻分量中攜帶了原始圖像的大部分能量和信息。

3．3 實驗結果及分析

本文實驗所用到的掌紋圖像均來自香港理工大學通過CCD方法采集的掌紋庫，圖像質量較好，噪聲較小。但是對于其他方法采集的掌紋圖像可能存在著噪聲的影響，不利于掌紋識別過程中對于掌紋圖像特征提取的進行。所以本文在研究基于小波變換對掌紋圖像感興趣區域去噪時，人為添加了椒鹽噪聲；對高頻小波系數進行了2次閾值處理和二維小波重構，旨在更好地消除原始圖像中的噪聲。選取一個特定的合適的閾值，對N層的每一個層次的高頻系數進行閾值量化和閾值化處理，第1次去噪后，圖像仍然包含一些噪聲；再經過第2次去噪后，基本濾出了大部分噪聲。從實驗結果中可以看到，經過2次小波閾值去噪的結果較為理想。小波閾值去噪結果如圖10所示。

圖10 小波閾值去噪結果

4 基于二維Gabor濾波器的掌紋線提取

在Gabor變換中，可以把非平穩信號過程看作是一系列短時平穩信號的疊加，通過時間上加窗來表現短時性。整個區域的覆蓋是由參數τ的平移達到的。換句話說，該變換是用一個窗函數g（t－r）與信號f（t）相乘實現在τ附近開窗和平移，然后施以傅里葉變換，這就是Gabor變換也稱短時Fourier變換或加窗Fourier變換。Gabor變換的定義由下式給出，對于f（t）∈L2（R）有

式中g（t－τ）e－jωt是積分核。

4．1 二維Gabor濾波器

1985年Daugman J［12］提出了二維Gabor濾波器理論。它以二維Gabor函數作為該濾波器的基函數。從上文的小波變換理論來看，Gabor變換和小波變換所達到的目的十分相似，但由于構成Gabor濾波器的這些二維基函數無法組成一個完備的正交集，所以嚴格意義上它不屬于小波濾波器，但是可以近似地認為Gabor濾波器是一種小波濾波器。二維Gabor濾波器是一種線性濾波器，可以用Gabor基函數和復正弦波函數的乘積來表示，空間域表達式可以表示為

式中：x′＝xcosθ＋ysinθ，y′＝－xsinθ＋ycosθ；λ為正弦波的波長，θ為正弦波的方向；頻率為1／λ。σx，σy是決定空間上高斯包絡的擴展方向的指標，同時分別表示在各方向上包絡的標準差。將圖像函數f（x，y）卷積上Gabor濾波器函數φ（x，y，θ，λ），這就是圖像進行濾波，R為響應值，即

Gabor濾波器適合做紋理分割和特征提取主要是由于它具有以下3個特點：1）具有可調的方向和頻帶寬度；2）具有可調的中心頻率；3）能同時達到空間域和頻率域的聯合最優分辨率。因此，2D Ga-bor濾波器特別適合分析具有特定方向特性和有著某種特定分辨率的紋理圖像。

Daugman進一步研究了2D Gabor濾波器的數學特性，根據它的數學特性可以發現2D Gabor濾波器能夠最大限度地提取圖像的方向、頻率和位置信息，且這些提取出來的信息都是局部的，有助于信號某些具體特性的分析。2D Gabor濾波器的這些特點為分析圖像的紋理提供了方便。通過仿真 2D Gabor濾波器的實部與虛部分布圖分別如圖11、12所示，其頻域成分如圖13所示。

圖11 2D Gabor濾波器的實部

圖12 2D Gabor濾波器的虛部

圖13 2D Gabor濾波器的頻域成分

4．2 Gabor濾波器的方向選擇性

Gabor濾波器很好的尺度不變性、平移不變性和旋轉不變性，都在實際應用中起著非常重要的作用，它們直接決定了Gabor濾波器的適用條件和應用領域。尺度不變性是如果把圖像進行一定比例的縮放，其通過Gabor濾波器的響應值和濾波器組中對應尺度發生相應比例變化得到的響應值是一樣的；而平移不變性是指對于發生二維平面內x、y方向平移時，圖像通過Gabor濾波器的響應值不變。下面介紹Gabor濾波器的旋轉不變性。

根據式（1）的條件，原始輸入的圖像為 f（x，y），在其任意點（x0，y0）的濾波器的響應值為

如果將原圖像f（x，y）以（x0，y0）為中心，沿逆時針旋轉角度φ，設旋轉后的圖像為fφ（x，y），則通過坐標變換公式可以知道：

將式（3）代入式（2）中，可以知道旋轉后的圖像通過Gabor濾波器的響應值為

通過式（4）可以知道，對于旋轉了φ的圖像，其Gabor濾波器響應值和直接將濾波器旋轉φ得到的響應值是相同的。

通過自制簡單圖片，能夠驗證Gabor濾波器的旋轉不變性，如圖14所示。圖中包括5條方向各不相同直線，其角度從小到大依次為0°，30°，60°，90°、135°。設置Gabor濾波器的參數λ為5／2；σx為2，σy為2σx，角度θ＝［0°，30°，60°，90°，135°］，經Ga-bor濾波器濾波后，其結果如圖15所示。

圖14 不同方向的直線

圖15 不同方向濾波器濾波結果

從圖15中很明顯地看出，Gabor濾波器方向設置為0°的時候，水平方向條紋的響應值最大；當為30°時，30°條紋的響應值最大，其他方向的情況類似。這就是Gabor濾波器的方向選擇特性，當濾波器的方向和濾波內容的方向一致時，得到的響應最大。由于Gabor濾波器是模擬視覺皮層簡單細胞對信息進行處理，它的方向選擇特性可以看成人眼看物品時，只有正著看物體時才能對物體有著清楚直觀的認識，而旋轉一定角度看就會不太適應，這就是大腦沒有得到最充分的響應的結果。由于掌紋圖像的主線是具有一定的方向規律，可以應用Gabor濾波器的方向選擇特性，對掌紋圖像進行特征提取。

4．3 掌紋方向選擇性分析

對于方向θ，用式（5）可以確定：

式中k＝｛0，1，2，…，n－1｝，采用濾波器所包含的角度之和為n，第k個角度為θk。

在選擇Gabor濾波器方向參數時，大多數情況都是采用經驗參數設置方向或是直接選取這些按公式定義的5個或8個固定的角度。有時角度按固定公式設置時，圖像本身的特點以及類間差異會被忽略；而根據圖像的某些特點來設置方向的方法僅僅適用一些包含特定方向特征圖像，如存在著很明顯的垂直或水平邊緣的樓房、汽車等。

掌紋圖像的3條主線和其他的一些紋理的方向性很明顯。研究表明，掌紋的方向是一種可以用于身份識別的十分有效的特征，但如何有效地表示方向信息仍然是沒有解決的問題。而目前應用于掌紋識別的比較主流的方法是先用濾波器對掌紋圖像濾波，然后再利用一定的規則，如競爭規則、序數規則或過零點信息等方式對方向信息進行編碼。由于掌紋紋理的方向的任意性，利用少量濾波器并不能判斷全部紋理的準確方向，只能得到紋線的大致方向，且在采集過程中掌紋的旋轉，也使方向信息在量化到指定的若干個方向上時得到不穩定的結果，也可以說是在對量化邊界附近的值進行方向量化時，容易造成結果翻轉。雖然要得到更精確的紋理的方向信息和更小的量化誤差可以用增加濾波器的個數來實現，但所需的計算量也會隨之增大。

由此可見，Gabor濾波器方向參數的選擇直接影響到特征提取的效果。因此設計一個方向可調濾波器是未來的一個研究重點。Freeman和 Ade-sion［13］首次提出了方向可調濾波器（steerable fil-ters）這一概念，它用于描述一組具有任意旋轉功能的方向濾波器。它的工作原理是這樣的，有幾個基濾波器，他們可能有各自的方向和濾波結果，然后任意方向的濾波器的濾波結果是這幾個基濾波器的結果的疊加，此種方向可調濾波器在文獻［14］得以應用，對圖像進行了增強。但方向可調濾波器也存在著弊端，那就是它不能根據圖像內容自適應的來獲得方向，它所獲得的任意方向是根據自身的某些數學約束條件來實現的，然后再對圖像進行濾波操作。

最后，只選取了4個方向的Gabor濾波器對掌紋圖像感興趣的區域進行濾波，有一定的局限性。這4個方向分別是θ＝［0°，45°，90°，135°］，4個方向Gabor濾波器如圖16所示，掌紋圖像的濾波結果如圖17所示。

圖16 4個方向Gabor濾波器

圖17 掌紋圖像的濾波結果

從圖17可以發現，通過135°Gabor濾波器的掌紋圖像濾波效果最好，這符合本文通過旋轉分割提取的掌紋圖像感興趣區域中掌紋三大主選的方向。

4．4 與其他方法的比較

下面對掌紋紋線ROI圖像區域分別采用Canny算子、Sobel算子、Prewitt算子、Roberts算子、Lapla-cian算子、Zerocross算子、文獻［15］的小波模極大值多尺度方法和文獻［16］的自適應雙閾值的SUSAN方法分別提取掌紋紋線，實驗結果如圖18所示。

圖18 各種掌紋紋線提取方法的實驗結果

Canny算子、Laplacian算子、Zerocross算子都過分地強調了掌紋中小細線特征，Sobel算子、Prewitt算子、Roberts算子和文獻［16］方法提取的掌紋紋線不完整，而且還有很多噪聲。文獻［15］的方法提取的掌紋紋線出現了很多間斷線。

5 結束語

本文針對掌紋的具體特點，對掌紋識別系統中掌紋圖像采集、預處理、小波去噪和特征提取部分進行了深入的研究。對PolyU Palmprint Database掌紋庫中采集的掌紋圖像是采用基于形態學方法進行感興趣區域（ROI）的分割，通過中值濾波、二值化、膨脹腐蝕等操作確定了特殊角點，再利用角點連線確定旋轉角度，來旋轉掌紋圖像，防止由于采集時手放置位置的旋轉或偏移導致的掌紋圖像的差異。在掌紋圖像的采集過程中，噪聲的存在是不可避免的。由于本文采用的掌紋庫中掌紋圖像的質量較好，所以在采集過程中對噪聲進行了模擬，進而在掌紋ROI上添加了相應噪聲，使其更貼近實際環境，再選取基于小波閾值去噪的方法對采集后的目標圖樣去噪，取得了較好效果。最后根據掌紋圖樣主線部分信息的特征，選取比Fourier變換更好的Gabor變換進行特征提取，并結合了Gabor濾波器的方向性，采用基于二維Gabor濾波器對掌紋紋線的特征進行初步提取。

本文只針對了掌紋識別中預處理和初步特征提取做了研究。在今后的研究過程中，希望能夠對掌紋識別中訓練和識別等后續步驟進行研究和實踐，采用更多的掌紋圖像進行模擬，以便解決一些實際問題，并改進現有的理論方法。相信掌紋識別技術會朝著更便捷和更細致的方向發展，在今后的日常生活中將有著更廣泛的應用。

［1］JAIN A，PANKANTI S．Biometrics：personal identification in networked society［M］．Boston：Kluwer Academic Pub-lishers，1999：1-30．

［2］孫冬梅，裘正定．生物特征識別技術綜述［J］．電子學報，2001，29（z1）：1744-1748．

［3］ZHAI L，HU Q．The research of double-biometric identifica-tion technology based on finger geometry＆ palm print［C］／／International Conference on Artificial Intelligence，Management Science and Electronic Commere．Zhengzhou，China，2011：3530-3533．

［4］鄔向前，張大鵬，王寬全．掌紋識別技術［M］．北京：科學出版社，2006：24-25．

［5］ZHANG D，SHU W．Two novel characteristics in palmprint verification；datum point invariance and line feature matc-hing［J］．Pattern Recognition，1999，32（4）：696-702．

［6］束為，榮鋼，便肇祺，等．利用掌紋進行身份自動鑒別方法的研究［J］．清華大學學報：自然科學版，1999，39（1）：95-97．

［7］ZHANG D．PolyU palmprint database［DB／OL］．［2013-09-08］．http：／／www．comp．polyu．edu．hk／～biometrics／．

［8］GONZALEZ C，WOODS R E，EDDINS S L．Digital image processing using MATLAB［M］．Beijing：Publishing House of Electronics Industry，2009：18-68．

［9］李文新，夏勝雄，張大鵬，等．基于主線特征的雙向匹配的掌紋識別新方法［J］．計算機研究與發展，2004，41（6）：996-1002．

［10］戴青云，余英林，張大鵬．掌紋身份識別系統中的定位分割技術［J］．廣東工業大學學報，2002，19（1）：1-6．

［11］DONOHO D L．De-noising by soft-thresholding［J］．IEEE Trans Inform Theory，1995，41（3）：612-627．

［12］DAUGMAN J．Complete discrete 2-D Gabor transforms by neural networks for image analysis and compression［J］．IEEE Trans on ASASP，1988，16（7）：1169-l179．

［13］FREEMAN W T，ADELSON E H．The design and use of steerable filters［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（9）：891-906．

［14］王艷霞．掌紋識別關鍵技術及算法的研究［D］．北京：北京交通大學，2008：36-37．

［15］楊小娜，黃歡，徐曉煜，等．基于小波模極大值多尺度的圖像邊緣提取［J］．貴州大學學報：自然科學版，2013，30（1）：91-93．

［16］鐘順虹，何建農．基于自適應雙閾值的SUSAN算法［J］．計算機工程，2012，38（3）：206-211．

Research on palmprint image preprocessing based on 2D Gabor

XU Xiuhui，WANG Shengdi，GE Guodong，BEN Xianye
School of Information Science and Engineering，Shandong University，Ji’nan 250100，China

Palmprint recognition is a biometric technology，which makes use of rich texture features on palm for i-dentification．The quality of a palmprint image is the key to the performance of palmprint recognition，therefore，this article starts with the palmprint features．The palmprint image is based on morphological methods for region of interest（ROI）segmentation．In order to prevent the differences of the palmprint image caused by rotation or offset of hand position in image acquisition，the palmprint image was rotated using corner connections to determine the ro-tation angle by means of median filtering，binary technology，the expansion of corrosion and other operations to de-termine the special corner．Then，the wavelet thresholding method was taken to remove the noise of the ROI region．Finally，taking advantage of the directionality of Gabor filter，the palmprint ridge characteristics were abstracted based on 2D Gabor filter．In order to verify the efficiency of proposed method for palmprint image preprocessing，some experiments were made in the PolyU palmprint image database，achieving good results．

palmprint image preprocessing；region of interest（ROI）；wavelet denoising；2D Gabor filter

TP391．4

A

1009-671X（2014）03-0001-09

10．3969／j．issn．1009-671X．20130610

http：／／www．cnki．net／kcms／doi／10．3969／j．issn．1009-671X．201306010．html

2013-06-06．

日期：2014-06-05．

國家自然科學基金資助項目（61201370）；高等學校博士學科點專項科研基金資助項目（20120131120030）；中國博士后科學基金面上資助項目（2013M530321）；山東大學自主創新基金資助項目（2012GN043，2012DX007）．

徐秀慧（1991-），女，碩士研究生；

賁晛燁（1983-），女，講師，碩士生導師，博士．

賁晛燁，E-mail：benxianyeye＠163．com．